LOCUS-DT: Localization via Observation-Conditioned Uncertainty Scoring with Digital Twins

Resumo Técnico: LOCUS-DT

Definição do Problema
A localização indoor precisa é crítica para aplicações como navegação robótica e busca e salvamento. No entanto, os métodos clássicos de localização tipicamente fornecem uma estimativa de ponto único da localização de um transmissor (TX). Em ambientes internos complexos, caracterizados por bloqueios severos e propagação de multicaminho, a superfície de verossimilhança torna-se frequentemente multimodal, tornando as estimativas de ponto único insuficientes. Além disso, muitos métodos baseados em dados estão fortemente acoplados a ambientes de treinamento específicos, o que limita sua robustez quando as estruturas de propagação dependentes do layout mudam. O desafio central abordado é a estimativa da distribuição posterior completa da localização do TX dado um único snapshot de medição, um layout de sala conhecido e a pose do receptor (RX), em vez de apenas encontrar uma estimativa de ponto.

Metodologia: LOCUS-DT
O artigo propõe o LOCUS-DT (Localization via Observation-Conditioned Uncertainty Scoring with Digital Twins), um framework que trata a localização por snapshot como inferência posterior sobre a localização do TX. A metodologia opera sob a premissa de que o layout da sala ($L$) e a pose do RX ($p$) são conhecidos.

1. Geração do Gêmeo Digital (DT): Um gêmeo digital baseado em ray-tracing é utilizado para gerar perfis de multicaminho sintéticos para um conjunto de localizações candidatas de TX. Para qualquer localização candidata $x_t$, o DT prevê um conjunto de $K$ caminhos especulares dominantes, representados como tuplas de ângulo de chegada (AoA), atraso relativo, ganho de caminho complexo e SNR do caminho.
2. Extração de Observação: A partir do sinal recebido (amostras IQ), um estimador online (usando um algoritmo Levenberg–Marquardt iterativo) extrai um perfil de multicaminho medido, também consistindo nos $K$ principais caminhos.
3. Função de Pontuação Aprendida: Uma nova função de pontuação baseada em redes neurais, $g_\omega$, é treinada para comparar a assinatura de multicaminho prevista pelo DT de uma localização candidata contra a assinatura de multicaminho observada. Esta função gera um escore de compatibilidade.
4. Inferência Posterior: A distribuição posterior sobre as localizações candidatas é construída normalizando o exponencial desses escores (distribuição de Boltzmann). A constante de normalização é aproximada usando uma estimativa de Monte Carlo sobre o conjunto finito de localizações candidatas durante o treinamento.
5. Estratégia de Treinamento: O modelo é treinado usando uma perda de entropia cruzada amostrada sobre um conjunto de ambientes sintéticos diversos. Esta abordagem garante que o método generalize para layouts não vistos. Os dados de treinamento consistem em conjuntos de candidatos onde a localização real do TX é um dos candidatos, permitindo que a rede aprenda a distinguir a localização correta com base no pareamento de multicaminho.

Principais Contribuições

• Formulação de Posterior Condicionada ao DT: O trabalho formula a localização indoor por snapshot como inferência posterior, onde o layout da sala é incorporado implicitamente via um gêmeo digital de ray-tracing. Isso permite a comparação de estimativas de multicaminho específicas de cada candidato contra perfis medidos.
• Função de Pontuação Generalizável: Uma nova função de pontuação é introduzida para comparar os $K$ principais caminhos dos perfis candidato e observado. Crucialmente, como o treinamento ocorre sobre um conjunto de ambientes, o método não é específico para um local e pode ser avaliado em layouts não presentes no treinamento. Ele também incorpora robustez contra erros tanto no modelo DT quanto na estimação de canal.
• Validação com Ray Tracing Realista: O sistema é instanciado usando um backend de ray-tracing baseado em Sionna e testado contra modelos de posteriors Gaussianos e de Mistura Gaussiana (GMM) padrão.

Resultados Experimentais
O sistema foi avaliado usando um backend baseado em Sionna com frequência portadora de 12 GHz e largura de banda de 200 MHz. O conjunto de treinamento incluiu 8.000 layouts de salas distintos, enquanto o conjunto de teste incluiu 2.000 layouts não vistos.

• Desempenho Qualitativo: Visualizações dos mapas de calor da posterior demonstram que o LOCUS-DT captura estruturas multimodais nítidas inerentes ao multicaminho indoor (ex: reflexões em paredes). Em contraste, os benchmarks Gaussianos (Cartesianos e Polares) produzem campos suaves de modo único que falham em capturar descontinuidades espaciais, e os Modelos de Mistura Gaussiana (GMM) capturam uma multimodalidade limitada, porém com picos mais amplos e menos alinhados.
• Desempenho Quantitativo: Em conjuntos de avaliação com 696 e 1.000 candidatos, o LOCUS-DT superou significativamente todos os baselines Gaussianos e GMM. Ele alcançou uma perda ajustada ($L$) menor e métricas de ganho ($G$) e desempenho relativo ($R$) mais altas. Por exemplo, no conjunto "Eval Grid", o LOCUS-DT alcançou uma perda ajustada de -2,72 comparado a -0,06 para o melhor baseline Gaussiano, e um desempenho relativo de 41,59% contra 0,91%.

Significância e Alegações
O artigo afirma que o LOCUS-DT aborda com sucesso a ambiguidade da localização indoor ao modelar explicitamente a natureza multimodal e dependente do layout da distribuição posterior. Ao alavancar um gêmeo digital para gerar hipóteses candidatas e uma função de pontuação aprendida para pareá-las com as observações, o framework captura as "estruturas de posterior multimodais e nítidas" que os pressupostos Gaussianos padrão não capturam. Os autores enfatizam que sua abordagem vai além de logits de classe genéricos para escores de compatibilidade por candidato, fornecendo uma solução mais robusta e generalizável para a quantificação de incerteza em localização RF indoor. O trabalho futuro envolve avaliar o sistema sob maior incompatibilidade de DT e utilizar salas reais reconstruídas via SLAM.